Nov, 2017

使用无人标注的 CNN 图像检索进行微调

PDF
TL;DR本研究提出了一种基于 3D 模型的卷积神经网络 Fine-Tuning 方法，并使用该方法在 VGG 网络上取得了 Oxford Buildings、Paris、Holidays 数据集上的最新成果，此方法可通过可选的正或负样本增强目标物体检索性能。
convolutional neural networksimage retrievalfine-tuningtraining datagem pooling
发现论文，激发创造
  • CNN 图像检索借鉴 BoW：基于 Hard Examples 的无监督微调

    本研究提出了一种用于图像检索的卷积神经网络 Fine-tune 方法，利用最先进的检索和运动结构方法，通过 3D 模型自动获取训练集，采用硬正负样本来提升性能。

    Apr, 2016

  • 使用 CNN 激活的积分最大池化进行特定对象检索

    本文尝试使用基于 CNN 的图像表示来重新设计目标检索流程，首次在 Oxford5k 和 Paris6k 数据集上效果能够与传统方法一较高下。

    Nov, 2015

  • 基于注意力机制的广义平均池化图像检索

    本文介绍了如何通过应用注意机制和广义平均池化将卷积神经网络提取的图像描述符聚合为全局描述符，提高检索结果，并在 ROxford5k 和 RParis6k 这两个检索基准上获得了显着的性能提升。

    Nov, 2018

  • 用于视觉实例搜索的类加权卷积特征

    本文提出了一种基于目标图像预测的语义信息的局部感知编码方法，在图像检索中使用卷积神经网络和类激活图进行无监督重排和目标检测，证明了其在 Oxford5k 和 Paris6k 等公共数据集上的优越性能。

    Jul, 2017

  • 图像检索的基于选择性深度卷积特征

    本文提出了一种新颖的框架用于图像检索，通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题，并采用最新的嵌入和聚合方法进一步提高特征可区分性，从而达到了最先进的检索准确度。

    Jul, 2017

  • 卷积神经网络在视觉实例检索中的最佳实践是什么？

    本文对多种因素对卷积神经网络（CNN）提取的特征代表性的影响进行了全面评估，提出了一种新的多尺度图像特征表示方法来有效编码图像，并在可视化目标检索的四个典型数据集上表现出了优异的性能。

    Nov, 2016

  • 细粒度图像检索的选择性卷积描述符聚合

    本研究采用深层卷积神经网络处理复杂的图像应用场景，并使用无监督神经网络技术进行细节图像检索，该方法可以通过精细的图像特征聚合和维度降低来识别细节，而不需要过多标注信息。

    Apr, 2016

  • 深度图像检索：学习全局图像表示以用于图像搜索

    本文提出了一种新方法进行实例级别的图像检索，通过聚合多个基于区域的描述符为每个图像生成全局紧凑的固定长度表示，该方法基于一个特定图像检索任务训练的深度架构，利用排序框架来学习卷积和投影权重，并采用区域建议网络来学习应汇集哪些区域以形成最终的全局描述符。

    Apr, 2016

  • 基于选择性深度卷积特征的图像检索紧凑二进制表示

    该论文提出了一种新的计算量小、效果好的框架，其中采用了不同的掩码计算策略和最新的嵌入聚合方法来提高图像检索的准确性；同时还利用哈希模块生成非常紧凑的二进制图像表示，并在六个图像检索基准测试中取得了最好的检索性能。

    Feb, 2018

  • 图像检索的深度视觉表示端到端学习

    本文针对深度学习在实例级图像检索方面表现不佳的问题，提出了基于大规模嘈杂地标数据集的清洗方法、改进的 R-MAC 描述符、基于三元组损失的孪生网络，并在 Oxford 5k、Paris 6k 和 Holidays 数据集上，分别报告了 94.7，96.6 和 94.8 的平均精度，并通过产品量化处理可以实现图像表示的高度压缩。

    Oct, 2016